数据结构与保存 | 易学教程

1. 将新闻的正文内容保存到文本文件。

def writeNewsDetail(content):
    f = open('gzccNews.txt', 'a',encoding='utf-8')
    f.write(content)
    f.close()

2. 将新闻数据结构化为字典的列表:

单条新闻的详情-->字典news
一个列表页所有单条新闻汇总-->列表newsls.append(news)
所有列表页的所有新闻汇总列表newstotal.extend(newsls)
import requests

from bs4 import BeautifulSoup

from datetime import datetime

import re

import pandas





def writeNewsDetail(content):

    f = open('gzccNews.txt', 'a',encoding='utf-8')

    f.write(content)

    f.close()





def getClickCount(newsUrl): #一篇新闻的点击次数

    newId = re.search('\_(.*).html', newsUrl).group(1).split('/')[1]

    clickUrl = "http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80".format(newId)

    return (int(requests.get(clickUrl).text.split('.html')[-1].lstrip("('").rstrip("');")))





def getNewsDetail(newsUrl): #一篇新闻的全部信息

    resd = requests.get(newsUrl)

    resd.encoding = 'utf-8'

    soupd = BeautifulSoup(resd.text, 'html.parser') # 打开新闻详情页并解析



    news ={}

    news['title'] = soupd.select('.show-title')[0].text

    info = soupd.select('.show-info')[0].text

    news['dt'] = datetime.strptime(info.lstrip('发布时间:')[0:19], '%Y-%m-%d %H:%M:%S')

    if info.find('来源：') > 0: # 作者：审核：来源：摄影：一样处理

        news['source'] = info[info.find('来源：'):].split()[0].lstrip('来源：')

    else:

        news['source'] = 'none'

    news['content'] = soupd.select('.show-content')[0].text.strip()

    writeNewsDetail(news['content'])

    news['click'] = getClickCount(newsUrl)

    news['newsUrl'] = newsUrl

    return(news)





def getListPage(pageUrl): #一个列表页的全部新闻

    res = requests.get(pageUrl)

    res.encoding = 'utf-8'

    soup = BeautifulSoup(res.text, 'html.parser')



    newsList = []

    for news in soup.select('li'):

        if len(news.select('.news-list-title')) > 0:

            newsUrl = news.select('a')[0].attrs['href'] # 链接

            newsList.append(getNewsDetail(newsUrl))

    return(newsList)





def getPageN(): # 新闻列表页的总页数

    res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/')

    res.encoding = 'utf-8'

    soup = BeautifulSoup(res.text, 'html.parser')

    n = int(soup.select('.a1')[0].text.rstrip('条'))

    return (n // 10 + 1)



newsTotal = []

firstPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/'

newsTotal.extend(getListPage(firstPageUrl))



n = getPageN()

for i in range(n, n+1):

    listPageUrl = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html'.format(i)

    newsTotal.extend(getListPage(listPageUrl))



print(newsTotal)

　　3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.

1

2

df = pandas.DataFrame(newsTotal)

print(df)

　　4. 通过df将提取的数据保存到csv或excel 文件。

1

df.to_excel('gzccnews0416.xlsx')

　　

5. 用pandas提供的函数和方法进行数据分析：
- 提取包含点击次数、标题、来源的前6行数据
- 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
- 提取'国际学院'和'学生工作处'发布的新闻。
  
  1
  
  2
  
  3
  
  print(df[(df['click'] > 3000)&(df['source']=='学校综合办')])
  
  print(sourcelist = ['学生工作处','国际学院'])
  
  print(df[df['source'].isin(sourcelist)])

来源：https://www.cnblogs.com/dean666/p/8870232.html

标签

select

news